Bachelor - Machine learning og data science - Københavns Universitet

Ansøgere til bacheloruddannelsen i machine learning og data science skal opfylde følgende adgangskrav:

Adgangsgivende eksamen med mindst 6,0 i gennemsnit (uden hurtigstartsbonus)Dansk A

Engelsk B
Matematik A

Uddannelsen i machine learning og data science ved KU vil uddanne studerende til at udvikle fremtidens værktøjer til analyse og håndtering af store datamængder. Med fokus på et solidt teoretisk fundament forankret i datalogi, matematik og statistik udvikles de studerendes færdigheder i håndtering, analyse og visualisering af data, og de studerende vil opnå et højt metodemæssigt fagligt niveau, der vil gøre dem i stand til at bidrage til udviklingen af nye metoder og redskaber til dataanalyse. Det teoretiske fundament i både datalogi og matematik giver mulighed for forskningsbaseret undervisning i nyeste data science-metoder: Moderne machine learning, statistisk modellering, high-performance computing og kunstig intelligens behandles i dybden, således at de studerende behersker teori og praksis i forbindelse med behandling, håndtering og analyse af avancerede datatyper såvel som i forbindelse med udvikling af nye værktøjer. Uddannelsen vil være adgangsgivende til som minimum KU’s kandidatuddannelser (cand.scient.) i datalogi (retskrav), statistik og bioinformatik.

Uddannelsen vil adressere det voksende arbejdsmarkedsbehov for specialister i it-baseret håndtering af data, analyse af data, og udvikling af dataanalyseværktøjer. Det er bl.a. uddannelsens mål at bidrage til at øge antallet af STEM-dimittender ved:

1)    at uddanne specialister i håndtering og analyse af data gennem et stærkt fokus på dataanalyse og udvikling af dataanalyseværktøjer, specialister, der derved adskiller sig fra den traditionelle datalogis højere fokus på systemudvikling, computerarkitektur og sprogteori;

2)    at øge interessen og dermed rekrutteringsgrundlaget til it-rettede bacheloruddannelser ved at tilbyde studerende en mere datarettet profil end opnåeligt med datalogiuddannelsen, en mere datalogisk-rettet profil end opnåeligt med matematik-statistikuddannelsen, og en profil designet direkte mod den voksende nationale og internationale efterspørgsel på data science-kompetencer;

3)    at give uddannelsen en skarp profil i forhold til regionalt sammenlignelige uddannelser gennem et stærkt metodemæssigt og teoretisk fundament, der vil gøre dimittender i stand til både at udvikle fremtidens analysemetoder samt anvende eksisterende dataanalyseværktøjer .

Fokus på det nødvendige teoretiske og metodemæssige fundament for udvikling af fremtidens analyseværktøjer er centralt i uddannelsen. Det er målet, at dimittender fra uddannelsen i Machine learning og data science ikke kun skal bruge færdige analysemetoder og programbiblioteker, men have fundamentet til at udvikle nye metoder. Givet den eksponentielt voksende tilgængelighed af data skal dimittender fra Machine learning og data science kunne håndtere de datamængder og den kompleksitet som vi vil opleve i fremtiden, ikke kun datamængder som vi pt. ser som udfordrende.

Uddannelsen i Machine learning og data science kan ses som Østdanmarks/hovedstadsregionens adressering af det sammenlignelige arbejdsmarked i Vestdanmark, som uddannelsen i datavidenskab ved AU fokuserer på. Den eksisterende data science-specialisering på datalogiuddannelsen på KU uddanner dataloger med dataanalysekompetencer. For at uddanne dedikerede data science-specialister med stærkt metodemæssigt fokus kræves en større matematisk-statistisk-machine learning ballast end hvad kan opnås ved toning af bacheloruddannelsen i datalogi. Tilsvarende giver den eksisterende matematik-statistikuddannelse ikke mulighed for at opnå nødvendige datahåndterings-, datalogi- og machine learning-kompetencer. Uddannelsen vil i forhold til ITUs, AAUs og DTUs data science-uddannelser have et højere metodemæssigt fokus og sigte på at uddanne eksperter i udvikling af nye dataanalyseværktøjer.

Uddannelsens kompetenceprofil:

Viden            

Vidensfeltet:

Metoder og teknikker til behandling og analyse af store datamængder med kompleks struktur       

Dataanalyse- og maskinlæringsteori som fundament for forståelse af eksisterende analysemetoder og udvikling af fremtidige analysemetoder

Teoretisk funderet statistisk modellering, dataanalyse, og maskinel læring

Matematisk analyse, sandsynlighedsregning, optimering og lineær algebra

Programdesign, algoritmer og datastrukturer                             

Strukturering, lagring, behandling og visualisering af data                                   Forståelses- og refleksionsniveauet:         

Forstå og reflektere over dataanalytisk teori, videnskabelige metoder og praksis

Reflektere over muligheder og begrænsninger i fagets forskellige metodevalg
Færdigheder  
Typen af færdigheder:     
Struktureret, reproducerbar og dokumenteret dataanalyse fra data indhentning til analyseresultat
Anvende matematisk formelsprog
Programmere inden for forskellige programmeringsparadigmer
Udføre og dokumentere analyse og modellering af små såvel som store datamængder
Implementere en række standardalgoritmer til dataanalyse samt validere deres egenskaber
Vurdering og beslutning:
Vurdere teoretiske og anvendte dataanalyse problemstillinger, samt vælge og begrunde metoders egnethed i problemløsningen
Formidling:   
Kommunikere om faget klart, korrekt, og præcist, skriftligt og mundtligt   
Kompetencer
Handlingsrummet:
Kombinere fagets matematiske, statistiske og datalogiske elementer til sammenhængende løsninger inden for dataanalyse og modellering
Afgøre korrektheden og relevansen af logiske, matematiske og statistiske argumenter
Afgøre algoritmers korrekthed og vurdere deres effektivitet og hensigtsmæssighed
Samarbejde og ansvar:
Selvstændigt arbejde sammen med andre, også fra andre fagområder, for i fællesskab at løse en opgave med en professionel tilgang
Læring:    
Løse problemer, der kræver kombination af dataanalytisk viden med viden fra andre fagområder, identificere egne læringsbehov og tilegne sig den nødvendige viden

Uddannelsen er struktureret for at give de studerende en teoretisk stærk og unik faglig profil i machine learning og data science, hvor såvel statistiske og matematiske elementer som datalogiske elementer integreres. Uddannelsen består af 120 ECTS obligatoriske kurser, 45 ECTS valgfrie kurser samt et 15 ECTS bachelorprojekt. Der er et mobilitetsvindue på 30 ECTS på uddannelsens 3. studieår.

Centralt i uddannelsen er 52.5 ECTS kernekurser bestående af kurserne Statistik og Sandsynlighedsregning, Data Science, Maskinlæringsteori, Multivariate Modeller samt Kunstig Intelligens. Kurserne integrerer udviklingen af det matematisk-teoretiske model- og begrebsapparat for data science med kompetencer indenfor praktisk dataanalyse, og der er progression gennem kurserne fra simple strukturerede dataformater, univariate modeller og små datamængder til komplekse dataformater, multivariate modeller og store datamængder. 
   
Obligatoriske kurser, 1. år:
Programmering og Problemløsning (15 ECTS). Grundlæggende koncepter og terminologi inden for programmering. Funktionelle, imperative og objektorienterede programmeringsparadigmer.

Introduktion til matematik (7.5 ECTS). Grundlæggende matematisk analyse, differentiation og integration i en og flere variable, matematisk sprog og argumentation.

Statistik og Sandsynlighedsregning (7.5 ECTS). Sandsynlighed, diskrete og kontinuerte fordelinger, grundlæggende statistisk dataanalyse f.eks. lineær regression. Simulation.

Data Science (15 ECTS). Dataformater, lagring, anvendelse, visualisering og analyse. Strukturerede og ustrukturerede data, databaser. Større dataprojekter, struktureret, reproducerbar og dokumenteret dataanalyse (pipelines). Konkrete cases i analyse af kategoriske variable, eksploratoriske multivariate teknikker som klyngeanalyse, manglende observationer og imputering, multipel lineær regression og PCA.

Diskret matematik og Formelle Sprog (7.5 ECTS). Matematiske værktøjer til analyse af algoritmer, korrekthed og tids- og pladskompleksitet. Teori om formelle sprog, syntaks, og regulære udtryk.

Lineær algebra (7.5 ECTS). Introduktion til lineær algebra med fokus på ligningsløsning, algoritmer og anvendelser inden for datalogi.

Obligatoriske kurser, 2. år:
Maskinlæringsteori (15 ECTS). Videregående statistik og sandsynlighedsregning. Statistisk læringsteori, prædiktive modeller, klassifikation og regression (klassiske og moderne parametriske eksempler inkl. neurale net). Forskellige inferensparadigmer med fokus på optimeringsbaseret inferens og diskriminative modeller for i.i.d. observationer.

Matematisk Analyse (7.5 ECTS). Funktioner af flere variable, differentiations- og integralregning, uendelige rækker, optimering og konveksitet. Eksempler fra den flerdimensionale normalfordeling, eksponentielle familier, Bayes formel (conjugate priors), etc.

High performance computing (7.5 ECTS). Computerarkitektur og netværk, hukommelsesarkitektur, task-parallelisme og samtidighed, massivt data-paralleliserede arkitekturer, programmeringsteknikker, vektoraritmetik. Fokus på effektiv data-processering (big data) og effektive beregninger (big compute). Kurset skal introducere de studerende til at implementere effektive numeriske algoritmer.
 
Multivariate modeller (7.5 ECTS). Introduktion til matematiske repræsentationer af og modeller for multivariate og komplekse datastrukturer med f.eks. en rumlig og/eller temporal struktur. Funktionsdata og funktionsrum, kerner og gaussiske processer. Eksakt og approksimativ inferens med fokus på generative modeller.

Kunstig intelligens (7.5 ECTS). Introduktion til modeller og metoder i kunstig intelligens: svag vs. stærk KI, aspekter af menneskelig kognition, representation learning, dybe neurale modeller (convolutional neural networks, recurrent neural networks), reinforcement learning. Substantielle anvendelser inden for analyse af billeder, lyd og tekst.

Algoritmer og datastrukturer (7.5 ECTS). Datastrukturer, algoritmiske paradigmer (herunder del-og-hersk, det grådige princip og dynamisk programmering) og analyseværktøjer (korrekthed, køretid, pladsbehov). Fokus på polynomielle problemer.

Videnskabsteori (7.5 ECTS). Videnskabsteori inkluderende elementer af videnskabsteori for matematik og datalogi. Behandling af forskellige induktive principper i bayesianske, frekventistiske, beslutningsteoretiske og udvidet logiske fortolkninger af sandsynligheder, og de dertilhørende inferensprincipper og tilgange til induktion. Kausalitet.

Kurser, 3. år:
Bachelorprojektet (BSc project, 15 ECTS) er det eneste obligatoriske element på uddannelsens 3. år. Derudover er der 45 ECTS valgfrie kurser, med et 30 ECTS mobilitetsvindue i blok 1 + 2.

Valgfrie fagpakker 3. år

Fagpakken i datalogi giver den studerende en stærkere profil i såvel høj- som lavniveau programmering og algoritmer. Fagpakken kan f.eks. anbefales til studerende, der vil arbejde med udvikling, implementering og integration af data science modeller og værktøjer i kombination med traditionelle softwaresystemer.

Fagpakken i numerik og algoritmer giver den studerende en stærkere profil i numerisk analyse, numerisk optimering og algoritmer til dataanalyse i teori såvel som i praksis. Fagpakken kan f.eks. anbefales til studerende, der vil arbejde med udviklingen af nye modeller, metoder og algoritmer til data science.

Fagpakken i statistik giver den studerende en stærkere profil i sandsynlighedsteori og statistik på et videregående matematisk niveau. Fagpakken kan f.eks. anbefales til studerende, der vil søge optagelse på kandidatuddannelsen i statistik ved Københavns Universitet, da en bacheloruddannelse i Machine learning og data science med fagpakken i statistik vil opfylde optagelseskravene.
Derudover kan yderligere fagpakker sammensættes f.eks. med fokus på specifikke datatyper såsom billeder. 

Machine learning og data science foreslås indplaceret på takst 3 svarende til indplaceringen af den eksisterende bacheloruddannelse i datalogi ved Københavns Universitet og IT-Universitets bacheloruddannelse i Data Science.

Det er dokumenteret i adskillige undersøgelser (Rambøll for ITU ‘16, ITU ‘16, HC Ralking for AU ‘17, KU’18, se referenceliste i bilag), at danske virksomheder i høj grad efterspørger dimittender med kompetencer inden for dataanalyse og efterspørgslen er stigende. Samtidig driver den stadig accelererende teknologiske udvikling et politisk fokus på uddannelse og vækst i digital teknologi (Marienborgaftalen ‘16, Digital Vækstpanel, Strategi for Danmarks Digitale Vækst ‘18, Teknologipagten ‘18). Eksempelvis sigter Teknologipagten bl.a. mod at øge antallet af STEM-uddannelse med 20%. Internationalt ses samme tendens både i industriens efterspørgsel efter kompetencer i machine learning og data science, herunder kunstig intelligens, og i flere landes omfattende satsning på udvikling i kunstig intelligens. I iværksættermiljøet er mange startups ligeledes baseret på analyse og behandling af data.

Det er målet, at uddannelsen i machine learning og data science uddanner dimittender til dette arbejdsmarked samt iværksættere, sigtende ikke kun mod kompetencer i brug af eksisterende dataanalyseværktøjer, men i at kunne agere i et stadigt accelererende felt og udvikle fremtidens metoder til dataanalyse. Dette muliggøres af det stærke metodiske fundament, som giver uddannelsens profil i forhold til eksisterende relaterede data science-uddannelser.

Datalogidimittender er ofte aktive i iværksættervirksomheder og startups. Den foreslåede uddannelse muliggør inddragelse af data, dataanalysemetoder, og machine learning i nye startups og i innovationsprocesser. Det er en væsentlig målsætning for den foreslåede uddannelse at understøtte iværksætter- og innovationskulturen samt skabelsen af kommercielle produkter baseret på behandling og analyse af data. Vi adresserer dette med et nyoprettet kursus i innovation og entreprenørskab.

Aftagerpanel for Matematik og Datalogi konkluderer om den foreslåede uddannelse “at det ubestrideligt er en relevant uddannelse, og der var enighed om, at kandidater, der forinden deres kandidatuddannelse har gennemført denne bacheloruddannelse er meget attraktive på arbejdsmarkedet.“ (APMD-møde 9/4 2018, bilag 1.2). Endvidere viser KU’s arbejdsmarkedsbehovsundersøgelse (bilag 1, afsnit 2) i forbindelse med design af den foreslåede uddannelse et stort behov, både regionalt og nationalt, for dimittender med data science kompetencer, som fra den foreslåede uddannelse. Dette er kvalificeret yderligere i vedlagte bilag.

Pt. rekrutteres i Danmark arbejdskraft til dataanalyse fra beslægtede naturvidenskabelige (STEM) discipliner inklusive matematik, datalogi, statistik og ingeniørvidenskaberne. Dette bevirker at efterspørgslen på machine learning og data science-kompetencer kobles til den generelle forventede mangel på adskillige tusinde naturvidenskabelige kandidater og ingeniører i 2025 (IDA 2011, DA 2015). Danmark vil ligeledes i stigende grad mangle it-specialister, op til 19.000 i 2030 (Højbjerre Brauer Schultz for Erhvervsstyrelsen mfl., 2016). Virksomheders behov for digitale kompetencer). Den nyligt lancerede danske teknologipagt har som eksplicit mål, at 20 pct. flere skal gennemføre STEM-uddannelser resulterende i 10.000 flere på arbejdsmarkedet med STEM-kompetencer om 10 år.

KU’s egen behovsundersøgelse (KU’18, bilag 1, afsnit 2) viser et klart arbejdsmarkedsbehov for data science kompetencer. Af de adspurgte virksomheder angiver alle virksomheder et generelt stigende behov for data science kompetencer fremover, og alle virksomhederne angiver at den foreslåede uddannelse vil være medvirkende til at dække deres behov for data science kompetencer.

Se bilag 1, afsnit 1 og 2 for yderligere vurdering af behov dimittender og ledighedsfrekvens for relaterede uddannelser.

Aftagerpanelet for matematik og datalogi (APMD) ved SCIENCE, KU har været hørt skriftligt ved formanden omkring relevans, behov og indhold (se bilag 1.3). APMDs formand vurderer, at den foreslåede uddannelse er relevant og tilgodeser et markant samfundsbehov. Endvidere har der været gennemført dialog omkring uddannelsen med hele aftagerpanelet (bilag 1.2). APMD tæller repræsentanter fra følgende relevante virksomheder/aktører: Netcompany, IBM Danmark, Trygfonden, Jobindex, Lundbeck, Microsoft Danmark, Undervisningsministeriet, ATP, Danske Bank, Saxo Bank, Oticon, PFA Pension, Edlund, Dansk Industri, Alexandra Instituttet, Nationalbanken, Finanssektorens Arbejdsgiverforening, Area9 og Copenhagen Fintech.

Tilsvarende har en dialog omkring relevans, behov og indhold været gennemført med Digitaliseringsrådet ved SCIENCE, KU den 13. marts 2018 (se bilag 1.1). Udover interne medlemmer tæller Digitaliseringsrådet repræsentanter fra følgende relevante eksterne virksomheder/aktører: Mærsk, Center for IT, Medico og Telefoni, Region Hovedstaden, Arla Foods, Worksome, Google Danmark, Digitaliseringsstyrelsen og Danske Bank.

Derudover har KU gennemført vores egen arbejdsmarkedsbehovsundersøgelse som led i udviklingen af den foreslåede uddannelse (bilag 1, afsnit 2). Undersøgelsen viser et stigende til stærkt stigende behov for dimittender med machine learning og data science kompetencer, og alle de adspurgte virksomheder finder at den foreslåede uddannelse vil være medvirkende til at dække deres behov for dataanalysekompetencer fremover. Resultatet flugter med resultaterne af tidligere undersøgelser af arbejdsmarkedsbehov for data science kompetencer (Rambøll for ITU ‘16, ITU ‘16, HC Ralking for AU ‘17).

KU har gennemført en undersøgelse af arbejdsmarkedsbehov ved mundtlig og skriftlig kontakt med en række virksomheder og aftagerpanel (KU’18, bilag 1, afsnit 2). Resultatet af undersøgelsen er anvendt i design af uddannelsen. Sammenholdt med resultater af tidligere undersøgelser, respons fra aftagerpanel og dialog i Digitaliseringsrådet gives et utvetydigt billede af et stort behov for dimittender med data science kompetencer. Se bilag 1 for yderligere dokumentation.

Hovedfokus på machine learning og data science er at integrere en solid matematisk fundering med datalogiske aspekter af data science, som vil give dimittenderne grundlaget for ikke kun at benytte avancerede modeller og metoder til dataanalyse, men at udvikle den næste generation af modeller og metoder. Beslægtede uddannelser, ud over de ovenfor nævnte, er kendetegnede ved, at de enten fokuserer på matematisk teori (eks. matematik KU), datalogi (eks. datalogi KU), eller i højere grad dataanalysemetode og brug af eksisterende dataanalyseværktøjer (eks. datalogi KU med data science-specialisering, ITU, AAU). Se yderligere information i bilag.

Relationen til specielt de eksisterende og startende datavidenskabsuddannelser samt beslægtede uddannelser opsummeres nedenfor:

Datalogi, KU:
Bacheloruddannelsen i datalogi ved KU giver dimittender den fulde bredde af datalogikompetencer. Dette indebærer aspekter af datahåndtering og machine learning i begrænset omfang, programmering, softwareudvikling, programmeringssprogsteori, systemarkitektur, og algoritmeteori. Datalogiuddannelsen har en specialisering i data science som giver kompetencer i at indsamle, analysere, klassificere og visualisere data. Uddannelsen i machine learning og data science tilføjer en række af kurser i matematisk sandsynlighedsteori, teoretisk machine learning, multivariat modellering og kunstig intelligens og giver derved fundament for dybdegående forståelse af dataanalyseværktøjer og redskaberne til udvikling af nye metoder. Det er ikke muligt at indarbejde en lignende profil i den eksisterende datalogiuddannelse samtidig med at faglig bredde og dybde de nævnte klassiske datalogifag opretholdes. Dimittender fra Machine learning og data science vil have kompetencemæssigt overlap med dataloger, men i stedet for den fulde palette af datalogikompetencer vil dimittender fra Machine learning og data science have dybdegående forståelse af datahåndtering, -analyse og -metodeudvikling.

Matematik, KU:
Matematikuddannelsen på KU har kun begrænset overlap med uddannelsen i Machine learning og data science: Ved valg af statistikkurser sigtende mod kandidatuddannelsen i statistik opnås en ballast i sandsynlighedsteori og statistik. Endvidere er værktøjfag som lineær algebra fælles for de to uddannelser. Derimod indeholder matematikuddannelsen ikke kurser i datahåndtering, dataanalyse, machine learning, programmering, algoritmik, og high-performance computing. Det er derved kun i den matematisk-teoretiske del at de to uddannelser har sammenfald.

Data Science ITU:
I lighed med data science ITU vil den foreslåede uddannelse på KU fokusere bredt på analyse af data, det tekniske workflow, programmeringsaspekter og software engineering. De to uddannelser vil adskille sig i fokus på den matematisk metodemæssige fundering. Rækken af kurser i matematisk analyse, diskret matematik, statistik og sandsynlighedsregning, teoretisk machine learning og multivariat modellering vil give et tungere matematisk fundament. ITU’s data science uddannelse har større fokus på andre aspekter af data science, som data management, business aspekter, og netværksanalyse.

Datavidenskab AAU:
Datavideskab på AAU har i højere grad vægt på den samfundsmæssige kontekst af data science, bl.a. formidling, lovgivning og etik, og anvendelser i f.eks. sundhedsvidenskab. Machine learning og data science har ligeledes fokus på anvendelser, men fra et teoretisk fundament som ikke i samme grad er i fokus på datavidenskab AAU.

Kunstig Intelligens og Data DTU:
I forhold til DTU’s bacheloruddannelse i kunstig intelligens og data vil Machine learning og data science, i lighed med datalogi og matematik ved KU, have fokus på et solidt teoretisk fundament i forhold til DTU’s naturligt højere fokus på anvendelser i ingeniørvidenskaberne. DTU uddannelsen har specifikt fokus på kunstig intelligens bl.a. i form af kursuselementer omhandlende kognition. Machine learning og data science har kunstig intelligens integreret som del i uddannelsen gennem kurset Kunstig Intelligens, men er i højere grad rettet specifikt mod machine learning og data science. DTU’s uddannelse har en række ingeniørrettede grundfag, som ikke har direkte data science fokus.

Datavidenskab AU:
Der er en relativt tæt sammenhæng mellem kursusudbuddet på datavidenskab AU og Machine learning og data science, dog med større grad af valgfrie kurser på Machine learning og data science. Fra et regionalt perspektiv dækker de to uddannelser teoretisk funderet data science i henholdsvis øst- og vestdanmark på samme måde som det også gør sig gældende for de almindelige datalogi- og statistikuddannelser på AU og KU.

Sammenhæng med kandidatuddannelser:
Dimittender fra Machine learning og data science vil på KU kunne fortsætte på kandidatuddannelsen i datalogi (retskrav), med tilvalgte kurser kandidatuddannelsen i statistik, kandidatuddannelsen i bioinformatik, og erhvervskandidatuddannelsen i datalogi. Det er pt. ikke muligt at tage en bacheloruddannelse som åbner for kandidatuddannelserne i både datalogi og statistik. En stor andel af dimittenderne fra Machine learning og data science forventes at fortsætte på kandidatuddannelserne i datalogi eller statistik, for datalogi enten den ordinære kandidatuddannelse eller erhvervskandidatuddannelsen.

Endelig bemærkes det, at der 9. april 2018 blev afholdt fællesmøde i Uddannelses- og forskningsministeriet, hvor alle danske universiteter med aktuelle eller planlagte udbud inden for data science, machine learning og kunstig intelligens diskuterede det faglige landskab med repræsentanter fra ministeriet. Indeværende uddannelsesforslag blev fremlagt i udkast på lige fod med planer og igangværende tiltag fra landets øvrige universiteter. Som det også fremgår af sammenligningen ovenfor, var der god konsensus omkring kernefaglighed og behov for  dette nye tværfaglige uddannelses- og forskningsområde. Samtidig var der enighed om fordelene ved regional og national profilering af konkrete uddannelsestilbud inden for rammerne af data science, machine learning og kunstig intelligens.

Rekrutteringsgrundlaget er nationalt. Uddannelsens primære rekrutteringsgrundlag er studerende fra alle gymnasiale retninger (stx, htx, hhx, hf), der opfylder de formelle adgangskrav under punkt 1.8. Se også bilag 1, afsnit 1.

Der forventes et årligt optag på mellem 50 og 60 studerende.

Dette er ikke relevant.

ingen øvrige bemærkninger til ansøgningen.